当团队需要把分散的计算资源统一管理，无论是要管科研课题组的 GPU 服务器、跑生物信息的批量分析，还是给 AI 训练集群做算力调度，Slurm 都是常见选择。它在资源分配、公平调度和记账审计上已经过大规模验证。

Slurm 的文档很多，但从零搭一套生产可用的集群，还是要自己在官方手册、邮件列表和各种博客之间拼。这篇把单节点验证到多节点部署的过程串起来，重点补官方文档里讲得少的运维部分：cgroup v2 资源隔离的实际行为、slurmctld 主备切换怎么测试、节点健康检查脚本、多租户 QoS，以及学校场景里的 Lmod 和 LDAP/SSSD。

本文在以下环境做过实际验证：

• 操作系统：Debian 12 (Bookworm)，内核 6.1.x，cgroup v2（unified hierarchy）
• Slurm 版本：Debian 官方仓库 22.05.8-4+deb12u3，安装命令见下文
• 2026-11 实测规模：2 台 controller（primary/backup）+ 2 台计算节点，NFS 共享 StateSaveLocation，多节点调度、cgroup、记账、QoS、主备切换、Lmod、LDAP/SSSD 登录、CephFS 共享目录、pam_slurm_adopt 都实际跑过，结果见文末“实测环境与结果”
• 文中 4 计算节点/32 节点属于扩展内容；GPU/GRES 用 PVE Intel GVT-g 实测，Slurm-web、Open OnDemand（Authentik OIDC）、Teleport（本地用户 + MFA）和 Prometheus/Grafana 告警链也都实际跑过。CephFS 一节用示例名 slurmfs，实际部署时把它换成你的文件系统名，cephx cap 也要跟着改

如使用 SchedMD 官方源安装 23.02+ 或 24.05+ 版本，部分参数名称可能有差异；25.05 起 select/cons_res 插件已移除，要改用 select/cons_tres。请对照对应版本的官方文档。

文章按部署、使用、多租户、运维、实测的顺序展开，篇幅较长；只看结果的读者可以直接跳到文末“实测环境与结果”。